Big Data, MBE ruido y nueces
Big Data por todos lados. Cualquiera que siga las tendencias actuales en salud habrá oído hablar o leído algo sobre los big data. Se ha oído tanto, que ya es un lugar casi común al igual que lo fue en su momento en otras disciplinas y campos (la salud, o mejor dicho los “adelantados” sanitarios siempre van algo retrasadillos). Un fenómeno, este de los big data del que, como comprobé en una serie de conferencias de la fundación Telefónica, muchos (demasiados) hablan, pocos conocen en profundidad, y muchos menos, lo utilizan con provecho.Vamos como otras cosas que luego trasmutan en burbuja tecnológica.
Hello World! | Christopher Baker Instalación audiovisual alimentada por fragmentos de miles de diarios personales grabados en vídeo y colgados en internet
La capacidad para aprender de datos e información situados en formatos y lugares inaccesibles hasta ahora, e incluso poder replicar el conocimiento tácito, es una vieja aspiración de la gestión del conocimiento que se torna en realidad con la aparición las historias clínicas digitales, la capacidad de manejar gran cantidad de datos de forma ágil y rápida (Big Data), el aprendizaje automático y la inteligencia artificial.
Pero de ahí a hablar como hace algunos gurus patrios de nuevo paradigma que va cambiar radicalmente la forma de practicar y tomar las decisiones en medicina, hay un trecho importante que intentare explicarme (si explicarme porque todavía no lo entiendo del todo, como para explicarlo a los demás) algún día. Todavía no sé cómo hincarle el diente a estos nuevos fenómenos computacionales que mezclan un masa de datos informe con unas gotas de sabiduría de las multitudes, esencia de smartmob , un chorrito de robótica y otro de inteligencia artificial, y todo ello en un gran molde de ignorancia sobre los efectos de esta pócima.
Sin duda una de las más atractivas y a la vez osadas aseveraciones de estos profetas es la superación (sin piedad, ni concesiones) de la medicina basada en la evidencia por una medicina generadora de evidencias (sic), demostrando que desconocen lo sustantivo de las dos herramientas. Otros investigadores más prudentes e informados abogan por incluir el portento Big Data en una importante (pero una mas) de las posibles fuentes de evidencias o pruebas. Entre ellos está Ida Sim, profesora de la UCSF School of Medicine que tanto en sus intervenciones en un coloquio Cochrane (ver vídeo más abajo) como en un artículo breve que resume esta intervención publicado en el Annals of Internal Medicine hace unos días (mañana aparecerá en este blog la traducción) pone de manifiesto la complementariedad de ambas tendencias, y su espléndido futuro siempre que sea conscientes de sus limitaciones y fortalezas.
Primum non nocere 2024 
Reblogueó esto en Arturo Llaca.
Me gustaMe gusta
Comentario de Julio Bonis Sanz en Facebook sobre esta entrada
La ciencia de la epidemiología clínica ya comprendió a base de errores las limitaciones del análisis de datos observacionales (factores de confusión, sesgos, etc.) y como respuesta desarrolló toda una ciencia del «ensayo clínico» que usa la aleatorización para «anular» esos factores. Lo que ha pasado es que de pronto, a raiz de la generalización de ciertas tecnologías tenemos acceso a una enorme cantidad de datos observacionales que antes era imposible tener, ni analizar. Como además promete mover mucho dinero (inversión en infraestructuras tecnológicas) tienes un montón de gente ajena a la medicina, y muchos médicos ajenos a la epidemiología clínica, animados a vender las maravillosas posibilidades de esos datos. Pero capturar más datos observacionales no elimina los problemas del análisis y la inferencia a partir de esos datos porque ni el sesgo, ni la confusión se corrigen inflando la N. Lo que es peor, inflar la N y reducir el coste de analizar esos datos genera nuevos problemas como aparición de asociaciones estadisticamete significativas pero erróneas, falsa sensación de certeza (se confunde precisión de registro con precisión de medida), etc.
Si el «Big Data» se hace bien (y es muy difícil y costoso hacerlo bien) lo que tienes es más estudios observacionales disponibles, que siguen teniendo las mismas limitaciones de los estudios observacionales.
El problema «económico» del Big Data está en que todo lo que abaratas la adquisición, almacenamiento y si me apuras análisis de datos se traslada en un aumento en el coste de interpretación de los resultados. Hacer Big Data es muy caro hay muy poca gente con la formación adecuada para sacarle un uso «relevante» al asunto. Eso sí, Azure es ya la línea de negocio con mayor crecimiento de Microsoft, así como AWS lo es para Amazon
Me gustaMe gusta